독일 연구 컨소시엄이 Soofi S 30B-A3B를 공개했다. 이는 유럽 AI 스택을 위한 성능 경쟁 모델이자 주권 AI를 위한 선택지로 포지셔닝된 오픈 대규모 언어 모델이다. The Decoder가 이 모델의 사전학습 보고서를 인용한 보도에 따르면, 이 시스템은 뮌헨의 Deutsche Telekom 인프라에서 전적으로 학습되었으며, 영어와 코딩 작업에서의 경쟁력을 포기하지 않으면서도 독일어 성능을 강하게 내도록 설계되었다.

이 출시는 유럽의 오픈 모델 노력이 종종 두 진영으로 갈라져 왔기 때문에 중요하다. 하나는 범위와 거버넌스를 중시하는 다국어 공익 프로젝트이고, 다른 하나는 벤치마크에서는 이기지만 보통 미국 또는 중국 연구소의 색채가 강한 글로벌 오픈 웨이트 시스템이다. Soofi S는 그 간극을 메우려 한다. 컨소시엄은 이 모델이 이제 완전 오픈 경쟁 모델들 가운데 독일어와 영어 종합 벤치마크에서 선두라고 밝히는 한편, 긴 컨텍스트에서도 효율적인 추론을 유지하도록 설계된 아키텍처를 사용한다고 말한다.

이 조합은 연구 커뮤니티를 넘어선 의미를 가질 수 있다. 기업 구매자에게 Soofi S는 투명한 학습 문서를 갖춘 지역 인프라에서 실행할 수 있는 모델로 제시된다. 빌더들에게는 오픈 모델 경쟁이 단순한 파라미터 수에서 데이터 큐레이션, 추론 효율성, 관할권 통제로 이동하고 있다는 또 하나의 신호다.

Soofi S가 무엇이며 누가 만들었나

The Decoder에 따르면 Soofi S는 Mixture-of-Experts 모델로, 총 파라미터는 316억 개지만 생성되는 각 토큰마다 활성화되는 것은 약 32억 개뿐이다. 컨소시엄은 이 희소 활성화 패턴을 반영해 이 모델을 Soofi S 30B-A3B라고 부른다. 실무적으로 이는 적어도 토큰 생성에서는, 밀집형 30B 시스템보다 훨씬 작은 모델에 가까운 계산 특성을 보일 수 있음을 뜻한다.

이 프로젝트는 KI Bundesverband(독일 AI 협회)가 조정했고, The Decoder가 인용한 보고서에 따르면 독일 연방 경제에너지부가 유럽 IPCEI-CIS 프로그램을 통해 자금을 지원했다. 참여 기관에는 Fraunhofer IAIS, Fraunhofer IIS, DFKI, TU Darmstadt, Würzburg University, L3S Research Center, Berlin University of Applied Sciences, Ellamind, Merantix Momentum이 포함된다.

인프라 측면이 이 이야기의 핵심이다. The Decoder의 기술 보고서에 따르면 이 모델은 뮌헨의 Deutsche Telekom Industrial AI Cloud에서 학습되었고, 학습은 3월부터 5월까지 최대 512개의 Nvidia B200 GPU에서 진행되었다. 해당 보도는 이 실행이 약 253,000 GPU 시간을 소모했다고 전한다. Deutsche Telekom 시설은 보고서에서 재생 가능 에너지로 운영되고, 운하수 냉각을 사용하며, 폐열을 주변 지역에 공급하는 것으로 설명되지만, 이러한 지속가능성 세부사항은 독립 검증이 아니라 프로젝트 자체 자료에서 나온 것이다.

아키텍처와 학습 선택이 진짜 제품 이야기다

기술 설계는 컨소시엄이 순수한 벤치마크 성능만큼 처리량을 강조하는 이유를 설명해 준다. 보고서는 Soofi S가 Nvidia의 Nemotron 3 Nano 아키텍처를 변경 없이 채택했으며, Mamba-2 레이어와 전통적인 어텐션 레이어를 섞는 하이브리드 설계를 사용한다고 말한다.

이 점이 중요한 이유는 긴 컨텍스트 추론이 프론티어 스타일 모델 제공에서 가장 비싸고 운영상 까다로운 부분 중 하나가 되었기 때문이다. 표준 Transformer 모델은 컨텍스트 길이에 따라 커지는 key-value 캐시에 의존한다. 입력이 길어지고 동시 요청이 늘어나면 메모리 대역폭과 캐시 이동이 병목이 된다. The Decoder에 따르면 Soofi S의 52개 레이어 중 단 6개만 그 캐시를 유지하며, 이것이 긴 프롬프트에서 모델의 스케일링 방식을 바꾼다.

컨소시엄은 40,000 토큰의 컨텍스트와 32개의 병렬 요청에서 Soofi S가 14B~24B 범위의 밀집형 모델보다 GPU당 초당 약 8배 더 많은 토큰을 생성한다고 주장한다. 보고서는 또한 4,000 토큰에서 256,000 토큰까지 처리량이 거의 평탄하게 유지되며, Alibaba의 Qwen3.5 35B-A3B가 유사한 동작을 보인 유일한 다른 측정 모델로 지목된다고 전한다. 이는 문서 중심 워크플로우, 검색 파이프라인, 혹은 큰 작업 컨텍스트를 다루는 에이전트 시스템을 구축하는 사람들에게 중요한 주장이다. 다만 이는 컨소시엄이 보고한 측정치일 뿐, 독립적인 제3자 벤치마크는 아니다.

학습 레시피도 마찬가지로 주목할 만하다. 컨소시엄은 약 27조 토큰을 세 단계로 처리했다고 밝힌다. 첫 번째 단계는 웹, 코드, 수학, 도메인 특화 텍스트를 아우르는 약 20조 토큰의 광범위한 단계였고, 두 번째 단계는 더 높은 품질의 약 6조 토큰이었다. 마지막으로 더 짧은 최종 단계는 최대 100만 토큰의 문서로 컨텍스트 윈도우를 확장하기 위해 설계되었다.

Soofi S가 많은 오픈 경쟁 모델과 다른 점은 독일어 비중이 더 높다는 것이다. The Decoder는 독일어가 첫 단계에서 7.2%, 두 번째 단계에서 15.3%를 차지했다고 전하며, 이는 Nvidia의 Nemotron 기준 레시피에서 비영어권 언어 전체가 차지한 약 5%와 비교된다. 학습 데이터에는 HPLT, German Commons, FinePDFs, FineWiki, 상업용 Genios 코퍼스뿐 아니라 기계 번역 및 합성 독일어 텍스트가 포함된 것으로 보도됐다.

벤치마크 승리에는 단서가 있다

핵심 주장은 단순하다. 컨소시엄은 Soofi S가 영어와 독일어 통합 벤치마크 점수에서 모든 완전 오픈 모델을 선도한다고 말한다. 보고서에 따르면 Soofi S가 앞섰다고 하는 모델에는 Allen Institute for AI의 OLMo 3 32B와 ETH Zurich 및 EPFL의 Apertus 70B가 포함된다. 보고서는 또한 비교 세트의 모든 독일어 벤치마크에서 유럽 주권 기준 모델들을 능가했다고 전한다.

코딩 작업에서는 The Decoder가 Soofi S가 HumanEval에서 73.8%, MBPP에서 70.2%, 독일어 MBPP 변형에서 84.2%를 기록했다고 전한다. 독일 특화 지역 지식을 평가하는 INCLUDE-DE 벤치마크에서는 Qwen3.5 35B-A3B와 61.2점으로 비겼다고 한다. 보고서는 또한 Nemotron 기준선 대비 독일어 중심 데이터 조합이 언어 능력을 15.1점, GPQA-Diamond을 9.6점 향상시켰고 영어 성능에는 손해를 주지 않았다고 주장한다.

이 수치들은 더 넓은 테스트에서 확인된다면 강력하지만, 신중하게 읽어야 한다. 이 뉴스 묶음에서 확보 가능한 증거는 The Decoder가 프로젝트의 사전학습 보고서와 웹사이트 자료를 바탕으로 보도한 내용에 의존한다. 소스 세트에는 독립적인 벤치마크 감사가 없고, 처리량이나 품질 주장에 대한 외부 재현도 없다.

모델의 약점도 분명하다. The Decoder는 Soofi S가 독일 경쟁 수학에서 기대 이하였고, Minerva MATH-DE에서 56점을 기록해 Qwen3.5 35B-A3B와 Gemma 3 27B보다 뒤처졌다고 보도한다. NaturalQuestions에서도 뒤졌는데, 이는 저자들이 더 많은 사실 지식을 보유할 수 있는 밀집형 모델과 비교해 활성 파라미터 수가 낮기 때문이라고 설명한 것으로 전해진다.

긴 컨텍스트에서의 동작도 일관되게 강하지는 않다. RULER 테스트에서는 긴 문서에서 자주 반복되는 단어를 포함한 추출 작업에 어려움을 겪은 것으로 보인다. The Decoder의 요약에 따르면 32,000 토큰을 넘어서면 적중률이 약 3%로 떨어졌고, 비교 가능한 Nemotron 모델은 여전히 약 60~64%를 유지했다. 저자들은 이를 긴 컨텍스트 학습에서 합성 추출 중심 데이터가 부족했기 때문이라고 본다.

오픈 모델이지만 모든 정의에서 오픈한 것은 아니다

The Decoder에 따르면 Soofi S는 모델 가중치, 일부 중간 체크포인트, 학습 및 평가 코드, 그리고 상세한 데이터 인벤토리와 함께 공개된다. 이 정도의 공개는 “오픈”이 보통 출처 정보가 제한된 다운로드 가능한 가중치만을 의미하는 시장에서 의미가 크다.

컨소시엄은 이 패키지가 Open Source Initiative의 Open Source AI Definition 1.0을 충족한다고 말한다. 동시에 보고서는 학습 믹스의 약 1.3%가 상업 라이선스의 Genios 코퍼스에서 왔기 때문에, 더 엄격하게 제안된 유럽 오픈 데이터 기준은 충족하지 못할 것이라고 인정한다. 팀은 데이터셋의 약 99%를 독립적으로 재구성할 수 있다고 말하지만, 정확한 공개 라이선스는 보고서 시점에 아직 확정되지 않았다.

이 미묘한 차이는 기업 조달과 하류 제품팀에 중요하다. 어떤 사용자에게는 오픈 가중치와 코드, 문서만으로 충분하다. 반면 특히 공공 부문 구매자나 엄격한 재배포·감사 요구가 있는 기업에게는, 아직 정리되지 않은 라이선스 세부사항과 상업 라이선스 데이터 포함이 여전히 중요한 제약일 수 있다.

이것이 빌더와 기업 구매자에게 중요한 이유

AI 개발자에게 Soofi S의 핵심 교훈은 지역 특화가 여전히 효과를 낼 수 있다는 점이다. 컨소시엄은 최대한 다국어를 지향하기보다 독일어 품질에 집중하면서도 영어의 폭넓은 활용성은 유지한 것으로 보인다. 이는 규제 산업, 기술 문서, 고객 지원, 내부 지식 워크플로우를 다루는 팀에게 실용적인 전략이다. 현지 언어 성능이 보편적 커버리지보다 더 가치 있는 경우가 많기 때문이다.

기업 AI 배포에서는 오픈 가중치, 독일어에 맞춘 성능, Deutsche Telekom 인프라에서의 학습이 결합되어 데이터 거주성과 주권 인프라를 둘러싼 명확한 포지셔닝을 만든다. 이것이 자동으로 규정 준수나 위험 문제를 해결하는 것은 아니지만, 폐쇄형 미국 플랫폼이나 불투명한 오픈 웨이트 공개의 대안을 원하는 조직에 더 구체적인 선택지를 제공한다.

아키텍처는 벤치마크만큼 중요할 수 있다. Soofi S가 실제 운영 환경에서 매우 긴 컨텍스트에 걸쳐 처리량을 유지할 수 있다면, 문서 검토, 코딩 어시스턴트 워크플로우, 대규모 작업 기억이 필요한 AI 에이전트에 유용할 수 있다. 하지만 이러한 사용 사례는 RULER에서 보인 추출 약점이 고객 워크로드에서도 나타나는지에 달려 있다. 긴 문서 속 핵심 검색이나 추출 작업을 놓치는 긴 컨텍스트 모델은, 속도가 빠르더라도 매력이 떨어진다.

증거와 주장

이 이야기의 실질적인 증거 대부분은 컨소시엄의 사전학습 보고서, 프로젝트 웹사이트, 주저자 코멘트에 대한 The Decoder의 보도에서 나온다. 따라서 벤치마크 선두, 처리량 향상, 학습 효율, 오픈소스 준수 같은 이 기사에서 가장 강한 주장들은 독립적으로 검증된 것이 아니라 프로젝트 보고 기반으로 받아들여야 한다.

가용한 출처를 통해 확실해 보이는 것은 공개의 존재, 모델의 기본 아키텍처, KI Bundesverband가 이끄는 컨소시엄의 참여, Deutsche Telekom 인프라의 사용, 그리고 가중치·코드·문서의 공개다. 비교 성능과 운영상의 이점은 외부 사용자가 재현 가능한 환경에서 Soofi S를 OLMo 3 32B, Apertus 70B, Qwen3.5 35B-A3B, Gemma 3 27B, Nvidia Nemotron과 비교해 볼 때까지는 잠정적이다.

다음에 주목할 것

첫 번째로 볼 신호는 라이선스다. 정확한 공개 조건이 Soofi S가 주로 연구 산물인지, 아니면 상업 제품팀을 위한 실용적 베이스 모델인지 결정할 것이다.

둘째, 독립적인 벤치마킹과 추론 테스트를 찾아야 한다. HumanEval, MBPP, 긴 컨텍스트 워크로드, 독일어 기업 문서 작업에 대한 외부 비교가 프로젝트 자체의 랭킹보다 더 중요할 것이다.

셋째, 컨소시엄은 기술 문서, 코드 생성, 에이전트 기반 시스템의 다음 단계에서 산업 파트너를 찾고 있다고 말한다. 이 분야의 실제 배포 사례는 벤치마크 승리보다 더 강한 증거가 될 것이다.

마지막으로 Soofi S가 다른 유럽 주권 AI 노력의 템플릿이 될지 지켜볼 필요가 있다. 지역 데이터 가중치, 투명한 보고, 효율적인 긴 컨텍스트 설계의 조합이 유용하다는 것이 입증된다면, 향후 오픈 모델이 로컬 클라우드 인프라 위에서 어떻게 구축될지에 영향을 줄 수 있다.

Creati.ai 관점

Soofi S가 주목할 만한 이유는 유럽이 또 하나의 오픈 모델을 만들어서가 아니라, 팀이 많은 공익 AI 프로젝트보다 더 선명한 제품 결정을 내린 것처럼 보이기 때문이다. 특정 언어 시장을 선택했고, 오픈 문서를 중시했으며, 실제 서비스 문제인 긴 컨텍스트 비용에 최적화된 아키텍처를 채택했다.

열려 있는 질문은 이러한 설계 선택이 실제 채택으로 이어지느냐는 것이다. 기업 AI 구매자들은 라이선스 명확성, 벤치마크 신뢰성, 혼란스러운 운영 워크로드에서의 동작을 중시한다. Soofi S가 주권 인프라에서 독일어 문서 파이프라인과 코딩 어시스턴트 시나리오에서 안정적인 성능을 보여준다면, 단순한 상징적 유럽 대안을 넘어설 수 있다. 그렇지 않다면, 인상적인 연구 공개물로 남되 상업적 견인력은 제한적일 수 있다.